CN110246029A - 贷后风险管理方法、终端、装置及可读存储介质 - Google Patents
贷后风险管理方法、终端、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110246029A CN110246029A CN201910546295.5A CN201910546295A CN110246029A CN 110246029 A CN110246029 A CN 110246029A CN 201910546295 A CN201910546295 A CN 201910546295A CN 110246029 A CN110246029 A CN 110246029A
- Authority
- CN
- China
- Prior art keywords
- early warning
- loan
- risk
- level
- customer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013517 stratification Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种贷后风险管理方法，包括以下步骤：基于逻辑回归算法和训练样本训练风险评分模型，而后基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值，接下来基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级，最后基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。本发明还公开了一种装置、终端及可读存储介质。本发明通过税务数据搭建逻辑回归模型，进行贷款存量客户逾期概率评分，并根据预设规则等进一步对客户进行风险分级并采取相应的贷后管理措施，从而降低了贷后管理成本，提高了贷后管理效率。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及一种贷后风险管理方法、终端、装置及可读存储介质。
背景技术
随着金融科技(Fintech)，尤其是互联网科技金融的不断发展，越来越多的技术应用到金融领域。中小微企业在承载创新创业、调整经济结构，保障就业民生等方面发挥着至关重要的作用；我国政府鼓励银行等金融机构扶持中小微企业，服务实体经济、防范化解重大风险。
目前，我国银行业存在大规模不良贷款，银行产生不良贷款原因是多种多样的：企业经营决策失误、经济周期下的资源错配或市场失灵导致的资源配置无效等，同时受经济周期和经济结构调整的影响，我国银行业不良贷款率在加速提升，不良贷款增速进一步加快。因此，贷后风险管理显得尤为重要，贷后风险管理作为信贷管理的最终环节，对于确保银行贷款安全和案件防控具有至关重要的作用。银行等金融机构的贷后风险管理通常是通过人工调查的方式收集数据进行分析从而识别风险，信息来源主要依赖企业自行提供的财务报表，缺乏公信力，而且人工收集数据的方式又需要花费较长时间，因此导致这些贷后风险识别方式的数据源和数据维度不够全面，而且风险识别成本高、效率低、信息更新时效性差等问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种贷后风险管理方法、系统、装置及可读存储介质，旨在解决现有贷款风险识别成本高、效率低、信息更新时效性差等导致贷后管理不理想的技术问题。
为实现上述目的，本发明提供一种贷后风险管理方法，所述的贷后风险管理方法包括以下步骤：
基于逻辑回归算法和训练样本训练风险评分模型；
基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
进一步地，在一实施方式中，所述训练样本包括第一样本和第二样本，所述基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值的步骤包括：
基于所述第一样本和所述训练后的风险评分模型确定所述第一样本对应的第一风险评分；
基于所述第二样本和所述训练后的风险评分模型确定所述第二样本对应的第二风险评分；
基于所述第一风险评分和所述第二风险评分确定所述逾期分数阈值。
进一步地，在一实施方式中，所述预警优先等级包括：一票否决、重大预警、一级评分预警、二级评分预警或正常监测。
进一步地，在一实施方式中，所述基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分；
确定所述第三风险评分是否小于所述逾期分数阈值；
在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测；
在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。
进一步地，在一实施方式中，所述预警规则包括：一级评分预警规则，所述在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
确定所述税务数据是否满足一级评分预警规则；
在所述税务数据满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为一级评分预警；
在所述税务数据不满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为二级评分预警。
进一步地，在一实施方式中，所述预警规则包括：一票否决规则、重大预警规则，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
确定所述税务数据是否满足一票否决规则；
在所述税务数据满足一票否决规则时，确定所述贷款客户对应的预警优先等级为一票否决；
在所述税务数据不满足一票否决规则时，确定所述税务数据是否满足重大预警规则；
在所述税务数据满足重大预警规则时，确定所述贷款客户对应的预警优先等级为重大预警。
进一步地，在一实施方式中，所述基于所述预警优先等级确定所述贷款客户对应的贷后管理措施的步骤包括：
在所述预警优先等级为一票否决时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号、并收回所述贷款客户的已发放贷款；
在所述预警优先等级为重大预警时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端；
在所述预警优先等级为一级评分预警或二级评分预警时，发送第二人工检核请求至预设管理终端。
进一步地，在一实施方式中，所述贷后风险管理装置包括：
训练模块，基于逻辑回归算法和训练样本训练风险评分模型；
评估模块，基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
处理模块，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
确定模块，基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
此外，为实现上述目的，本发明还提供一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贷后风险管理程序，所述贷后风险管理程序被所述处理器执行时实现上述任一项所述的贷后风险管理方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有贷后风险管理程序，所述贷后风险管理程序被处理器执行时实现上述任一项所述的贷后风险管理方法的步骤。
本发明通过基于逻辑回归算法和训练样本训练风险评分模型，而后基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值，接下来基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级，最后基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。本发明通过税务数据搭建逻辑回归模型，进行贷款存量客户逾期概率评分，并根据预设规则等进一步对客户进行风险分级并采取相应的贷后管理措施，从而降低了贷后管理成本，提高了贷后管理效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图；
图2为本发明贷后风险管理方法第一实施例的流程示意图；
图3为本发明贷后风险管理方法第二实施例的流程示意图；
图4为本发明贷后风险管理装置实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，客户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选客户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器等，在此不再赘述。
本领域技术人员可以理解，图1中示出的系统结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、客户接口模块以及异常检验程序。
在图1所示的系统中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；客户接口1003主要用于连接客户端(客户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的异常检验程序。
在本实施例中，终端包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的异常检验程序，其中，处理器1001调用存储器1005中存储的异常检验程序时，执行本申请各个实施例提供的异常检验方法的步骤。
本发明还提供一种贷后风险管理方法，参照图2，图2为本发明贷后风险管理方法第一实施例的流程示意图。
本发明实施例提供了贷后风险管理方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中，该贷后风险管理方法包括：
步骤S100，基于逻辑回归算法和训练样本训练风险评分模型；
在本实施例中，银行贷款已成为金融领域的一项重大业务，为了保证贷后资金的正常回笼，贷后风险管理显得尤为重要，尤其是作为信贷管理的最终环节，对于确保银行贷款安全和案件防控具有至关重要的作用。贷款客户的经营财务状况是不断变化的，可能在审批授信时客户经营财务状况良好，但由于行业政策的影响、客户投资失误的影响，上下游的影响会引起客户的经营财务状况发生较大不利变化。贷后风险管理就是要跟踪客户所属行业、客户的上下游和客户本身经营财务状况包括其商业信用的变化，及时发现可能不利于贷款按时归还的问题，并提出解决问题的一种方法。
为了保证借款方贷后及时、足额的还款，贷后风险管理系统可以在借款方产生贷款金额后，利用贷款客户的税务数据以及风险评估规则，用于监控借方客户的财务经济情况，在发现不利于贷款归还的问题时，提出解决方法。其中，贷款客户的税务数据包括但不限于：客户税务基础信息，如：纳税人状态、纳税信用等级；收入信息，如：月销售收入；税务申报征收信息，如：增值税应纳税额；财报信息，如：资产合计、利润合计；上下游信息，如：上游客户数量、下游客户数量；涉税违法违章信息，如：税务违法违章明细。
具体地，利用逻辑回归算法和训练样本训练风险评分模型，风险评分模型的输出为贷款客户的税务数据，其中，训练样本为预设数量的贷款客户的税务数据，这些贷款客户的贷后风险已经经过人工检核，也就是说训练样本是已经确定风险等级的贷款客户的税务数据；逻辑回归算法Logistic Regression和线性回归一样，是回归中常见的算法，最常见的应用场景就是预测概率。
步骤S200，基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
在本实施例中，训练样本是已经确定风险等级的贷款客户的税务数据，其中，训练样本包括第一样本和第二样本，第一样本和第二样本分别是贷款记录良好和贷款记录不良的贷款客户的税务数据，例如，未出现逾期超过N天的贷款客户的税务数据为第一样本，出现逾期超过N天的贷款客户的税务数据为第二样本，N根据实际情况确定，利用训练样本以及风险评分模型确定逾期分数阈值，其中，逾期分数阈值是用于判断贷款客户风险等级的重要指标。
具体地，步骤S200包括：
步骤S210，基于所述第一样本和所述训练后的风险评分模型确定所述第一样本对应的第一风险评分；
在本实施例中，训练样本是已经确定风险等级的贷款客户的税务数据，其中，假设第一样本是贷款记录良好的贷款客户的税务数据，第二样本是贷款记录不良的贷款客户的税务数据，将第一样本作为风险评分模型的输入参数，然后利用风险评分模型计算得到第一样本对应的第一风险评分。
步骤S220，基于所述第二样本和所述训练后的风险评分模型确定所述第二样本对应的第二风险评分；
在本实施例中，训练样本是已经确定风险等级的贷款客户的税务数据，其中，假设第一样本是贷款记录良好的贷款客户的税务数据，第二样本是贷款记录不良的贷款客户的税务数据，将第二样本作为风险评分模型的输入参数，然后利用风险评分模型计算得到第二样本对应的第二风险评分。
步骤S230，基于所述第一风险评分和所述第二风险评分确定所述逾期分数阈值。
在本实施例中，根据已经确定第一样本对应的第一风险评分和第二样本对应的第二风险评分进一步确定风险管理系统的逾期分数阈值。因为，第一样本是贷款记录良好的贷款客户的税务数据，第二样本是贷款记录不良的贷款客户的税务数据，因此确定的逾期分数阈值，需要保证第一风险评分小于逾期分数阈值，而第二风险评分大于逾期分数阈值。可选地，根据第一样本和第二样本所占的百分比确定逾期分数阈值，例如，第一样本占30％，第一风险评分的平均分为3，第二样本占70％，第二风险评分的平均分为8，则逾期分数阈值＝30％x 3+70％x 8＝6.5；逾期分数阈值还可以在第一风险评分和第二风险评分的基础上，进一步根据专家经验确定。
步骤S300，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
在本实施例中，风险评分模型由训练样本基于逻辑回归算法训练得到，逾期分数阈值确定后，根据风险评分模型、逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定贷款客户对应的预警优先等级。其中，预警规则是根据专家经验和数据分析所确定的。
具体地，步骤S300包括：
步骤S310，确定所述税务数据是否满足一票否决规则；
步骤S320，在所述税务数据满足一票否决规则时，确定所述贷款客户对应的预警优先等级为一票否决；
在本实施例中，预警优先等级从高到低依次为：一票否决、重大预警、一级评分预警、二级评分预警，且如果客户同时命中几类预警，则预警类型取优先级最高那个等级。由于一票否决级别最高，故首先判断贷款用户对应的税务数据是否满足一票否决规则。
具体地，当贷款用户对应的税务数据满足一票否决规则时，则确定该贷款客户对应的预警优先等级为一票否决。
步骤S330，在所述税务数据不满足一票否决规则时，确定所述税务数据是否满足重大预警规则；
步骤S340，在所述税务数据满足重大预警规则时，确定所述贷款客户对应的预警优先等级为重大预警。
在本实施例中，因为重大预警为次高级，故在贷款客户对应的税务数据不满足一票否决规则时，继续判断该贷款客户对应的税务数据是否满足重大预警规则。
具体地，当该贷款用户对应的税务数据满足重大预警规则时，则确定该贷款客户对应的预警优先等级为重大预警。
所述预警优先等级包括：一票否决、重大预警、一级评分预警、二级评分预警或正常监测。
在本实施例中，一票否决为高危规则，通常由专家经验产生，是贷后管理人员多年贷后管理工作的经验总结，命中此类规则的贷款客户是已经或逾期不能偿还贷款的客户，建议一票否决的命中率要小于一定的比例，例如小于0.5％，如果命中一票否决的命中率过高，需要调整预设规则。
进一步地，重大预警为中危规则，由专家经验以及数据分析统计指标制定，命中重大预警规则的客户存在无力偿还贷款的风险，需采采取相应的风险管理措施，建议重大预警的命中率要小于一定的比例，例如小于0.2％，如果命中重大预警的命中率过高，需要调整预设规则。
进一步地，一级评分预警为低危规则，是除一票否决、重大预警之外的其他规则，用于帮助审核人员判断客户情况。一级评分预警是规则结合专家经验以及数据分析统计指标制定，由于一级评分预警是作为辅助规则存在的，设立目的在于帮助审核人员对客户进行贷后管理评估，故一级评分预警的灵活性更高。二级评分预警为没有命中一级评分预警，但逾期风险评分大于逾期分数阈值，正常监测为逾期风险评分小于逾期分数阈值。
步骤S400，基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
在本实施例中，预警优先等级从高到低依次为：一票否决、重大预警、一级评分预警、二级评分预警和正常监测，根据贷款客户对应的预警优先等级确定贷后管理措施。
具体地，步骤S400包括：
步骤S410，在所述预警优先等级为一票否决时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号、并收回所述贷款客户的已发放贷款；
在本实施例中，一票否决是高危规则，如果贷款客户命中一票否决，则意味着客户的还款意愿、还款能力发生重大问题，故需要迅速冻结该贷款客户的贷款账号，并采取相应的措施，甚至使用法律手段尽快收回该贷款客户对应的已发放贷款。
步骤S420，在所述预警优先等级为重大预警时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端；
在本实施例中，重大预警为中危规则，命中重大预警的客户存在无力偿还贷款的风险，如果贷款客户命中重大预警，则冻结该贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端，也就是对命中重大预警的客户，进一步要进行人工审核。
步骤S430，在所述预警优先等级为一级评分预警或二级评分预警时，发送第二人工检核请求至预设管理终端。
在本实施例中，一级评分预警为低危规则，是除一票否决、重大预警之外的其他规则，用于帮助审核人员判断客户情况，作为辅助规则存在的，设立目的在于帮助审核人员对客户进行贷后管理评估，故一级评分预警的灵活性更高。二级评分预警为没有命中一级评分预警，但逾期风险评分大于逾期分数阈值。命中一级评分预警或二级评分预警的客户，需要进一步进行人工检核，也就是说，在预警优先等级为一级评分预警或二级评分预警时，发送人工检核请求至预设管理终端，进而进行人工审核。
本实施例提出的贷后风险管理方法，通过基于逻辑回归算法和训练样本训练风险评分模型，而后基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值，接下来基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级，最后基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。通过税务数据搭建逻辑回归模型，进行贷款存量客户逾期概率评分，并根据预设规则等进一步对客户进行风险分级并采取相应的贷后管理措施，从而降低了贷后管理成本，提高了贷后管理效率。
基于第一实施例，参照图3，提出本发明贷后风险管理方法的第二实施例，在本实施例中，步骤S300包括：
步骤S310，基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分；
在本实施例中，将贷款客户对应的税务数据作为风险评分模型的输入参数，其中，税务数据包括客户税务基础信息、收入信息、税务申报征收信息、财报信息、上下游信息、涉税违法违章信息等，然后，利用风险评分模型计算得到贷款客户对应的第三风险评分。
步骤S320，确定所述第三风险评分是否小于所述逾期分数阈值；
在本实施例中，将贷款客户对应的税务数据作为风险评分模型的输入参数，利用风险评分模型计算得到贷款客户对应的第三风险评分后，将第三风险评分与逾期分数阈值进行比较，并根据比较结果进一步确定预警优先等级。
步骤S330，在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测；
在本实施例中，当第三风险评分小于逾期分数阈值时，说明贷款客户的还款能力正常，因此确定该贷款客户对应的预警优先等级为正常监测，也就是定期对该用户进行贷后监测即可。
步骤S340，在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。
在本实施例中，当第三风险评分大于或等于逾期分数阈值时，说明该贷款用户的还款能力存在异常的风险，需要进一步确定预警优先等级，因此进一步地根据预警规则以及贷款用户对应的税务数据，确定该贷款客户对应的预警优先等级。
进一步地，在一实施例中，所述步骤
步骤S341，确定所述税务数据是否满足一级评分预警规则；
步骤S342，在所述税务数据满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为一级评分预警。
步骤S343，在所述税务数据不满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为二级评分预警。
在本实施例中，一级评分预警和二级评分预警均是第三风险评分大于逾期分数阈值，且进一步确定该贷款用户对应的税务数据是否满足一级评分预警规则来确定客户对应的预警优先等级。
具体地，当在贷款客户对应的税务数据满足一级评分预警规则时，则确定该贷款客户对应的预警优先等级为一级评分预警，否则，当贷款客户对应的税务数据不满足一级评分预警规则时，则确定该贷款客户对应的预警优先等级为二级评分预警。
本实施例提出的贷后风险管理方法，通过基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分，而后确定所述第三风险评分是否小于所述逾期分数阈值，接下来在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测，最后在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。通过风险评分模型、贷款客户的税务数据以及预设规则等对客户进行风险分级并采取相应的贷后管理措施，从而降低了贷后管理成本，提高了贷后管理效率。
本发明进一步提供一种贷后风险管理装置，参照图4，图4为本发明异贷后风险管理装置实施例的功能模块示意图。
训练模块10，基于逻辑回归算法和训练样本训练风险评分模型；
评估模块20，基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
处理模块30，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
确定模块40，基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
进一步地，所述评估模块20还用于：
基于所述第一样本和所述训练后的风险评分模型确定所述第一样本对应的第一风险评分；
基于所述第二样本和所述训练后的风险评分模型确定所述第二样本对应的第二风险评分；
基于所述第一风险评分和所述第二风险评分确定所述逾期分数阈值。
进一步地，所述处理模块30还用于：
所述预警优先等级包括：一票否决、重大预警、一级评分预警、二级评分预警或正常监测。
进一步地，所述处理模块30还用于：
基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分；
确定所述第三风险评分是否小于所述逾期分数阈值；
在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测；
在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。
进一步地，所述贷后风险管理装置还包括：
判断模块，确定所述税务数据是否满足一级评分预警规则；
第一定位模块，在所述税务数据满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为一级评分预警；
第二定位模块，在所述税务数据不满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为二级评分预警。
进一步地，所述处理模块30还用于：
确定所述税务数据是否满足一票否决规则；
在所述税务数据满足一票否决规则时，确定所述贷款客户对应的预警优先等级为一票否决；
在所述税务数据不满足一票否决规则时，确定所述税务数据是否满足重大预警规则；
在所述税务数据满足重大预警规则时，确定所述贷款客户对应的预警优先等级为重大预警。
进一步地，所述确定模块40还用于：
在所述预警优先等级为一票否决时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号、并收回所述贷款客户的已发放贷款；
在所述预警优先等级为重大预警时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端；
在所述预警优先等级为一级评分预警或二级评分预警时，发送第二人工检核请求至预设管理终端。
此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有贷后风险管理程序，所述贷后风险管理程序被处理器执行时实现上述各个实施例中贷后风险管理方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台系统设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (16)
1.一种贷后风险管理方法，其特征在于，所述的贷后风险管理方法包括以下步骤：
基于逻辑回归算法和训练样本训练风险评分模型；
基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
2.如权利要求1所述的贷后风险管理方法，其特征在于，所述训练样本包括第一样本和第二样本，所述基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值的步骤包括：
基于所述第一样本和所述训练后的风险评分模型确定所述第一样本对应的第一风险评分；
基于所述第二样本和所述训练后的风险评分模型确定所述第二样本对应的第二风险评分；
基于所述第一风险评分和所述第二风险评分确定所述逾期分数阈值。
3.如权利要求1所述的贷后风险管理方法，其特征在于，所述预警优先等级包括：一票否决、重大预警、一级评分预警、二级评分预警或正常监测。
4.如权利要求3所述的贷后风险管理方法，其特征在于，所述基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分；
确定所述第三风险评分是否小于所述逾期分数阈值；
在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测；
在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。
5.如权利要求4所述的贷后风险管理方法，其特征在于，所述预警规则包括：一级评分预警规则，所述在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
确定所述税务数据是否满足一级评分预警规则；
在所述税务数据满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为一级评分预警；
在所述税务数据不满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为二级评分预警。
6.如权利要求1所述的贷后风险管理方法，其特征在于，所述预警规则包括：一票否决规则、重大预警规则，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级的步骤包括：
确定所述税务数据是否满足一票否决规则；
在所述税务数据满足一票否决规则时，确定所述贷款客户对应的预警优先等级为一票否决；
在所述税务数据不满足一票否决规则时，确定所述税务数据是否满足重大预警规则；
在所述税务数据满足重大预警规则时，确定所述贷款客户对应的预警优先等级为重大预警。
7.如权利要求1至6任意一项所述的贷后风险管理方法，其特征在于，所述基于所述预警优先等级确定所述贷款客户对应的贷后管理措施的步骤包括：
在所述预警优先等级为一票否决时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号、并收回所述贷款客户的已发放贷款；
在所述预警优先等级为重大预警时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端；
在所述预警优先等级为一级评分预警或二级评分预警时，发送第二人工检核请求至预设管理终端。
8.一种基于贷后风险管理装置，其特征在于，所述贷后风险管理装置包括：
训练模块，基于逻辑回归算法和训练样本训练风险评分模型；
评估模块，基于所述训练样本以及训练后的风险评分模型确定逾期分数阈值；
处理模块，基于所述训练后的风险评分模型、所述逾期分数阈值、预警规则以及贷款客户对应的税务数据，确定所述贷款客户对应的预警优先等级；
确定模块，基于所述预警优先等级确定所述贷款客户对应的贷后管理措施。
9.如权利要求8所述的贷后风险管理装置，其特征在于，所述评估模块还用于：
基于所述第一样本和所述训练后的风险评分模型确定所述第一样本对应的第一风险评分；
基于所述第二样本和所述训练后的风险评分模型确定所述第二样本对应的第二风险评分；
基于所述第一风险评分和所述第二风险评分确定所述逾期分数阈值。
10.如权利要求8所述的贷后风险管理装置，其特征在于，所述处理模块还用于：
所述预警优先等级包括：一票否决、重大预警、一级评分预警、二级评分预警或正常监测。
11.如权利要求10所述的贷后风险管理装置，其特征在于，所述处理模块还用于：
基于所述税务数据以及所述训练后的风险评分模型得到所述贷款客户对应的第三风险评分；
确定所述第三风险评分是否小于所述逾期分数阈值；
在所述第三风险评分小于所述逾期分数阈值时，确定所述贷款客户对应的预警优先等级为正常监测；
在所述第三风险评分大于或等于所述逾期分数阈值时，基于所述预警规则以及所述税务数据，确定所述贷款客户对应的预警优先等级。
12.如权利要求11所述的贷后风险管理装置，其特征在于，所述贷后风险管理装置还包括：
判断模块，确定所述税务数据是否满足一级评分预警规则；
第一定位模块，在所述税务数据满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为一级评分预警；
第二定位模块，在所述税务数据不满足一级评分预警规则时，确定所述贷款客户对应的预警优先等级为二级评分预警。
13.如权利要求8所述的贷后风险管理装置，其特征在于，所述处理模块还用于：
确定所述税务数据是否满足一票否决规则；
在所述税务数据满足一票否决规则时，确定所述贷款客户对应的预警优先等级为一票否决；
在所述税务数据不满足一票否决规则时，确定所述税务数据是否满足重大预警规则；
在所述税务数据满足重大预警规则时，确定所述贷款客户对应的预警优先等级为重大预警。
14.如权利要求8所述的贷后风险管理装置，其特征在于，所述确定模块还用于：
在所述预警优先等级为一票否决时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号、并收回所述贷款客户的已发放贷款；
在所述预警优先等级为重大预警时，确定所述贷后管理措施为冻结所述贷款客户的贷款账号，并发送第一人工检核请求至预设管理终端；
在所述预警优先等级为一级评分预警或二级评分预警时，发送第二人工检核请求至预设管理终端。
15.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贷后风险管理程序，所述贷后风险管理程序被所述处理器执行时实现如权利要求1至7中任一项所述的贷后风险管理方法的步骤。
16.一种可读存储介质，其特征在于，所述可读存储介质上存储有所述贷后风险管理程序，所述贷后风险管理程序被处理器执行时实现如权利要求1至7中任一项所述的贷后风险管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910546295.5A CN110246029A (zh) | 2019-06-21 | 2019-06-21 | 贷后风险管理方法、终端、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910546295.5A CN110246029A (zh) | 2019-06-21 | 2019-06-21 | 贷后风险管理方法、终端、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110246029A true CN110246029A (zh) | 2019-09-17 |
Family
ID=67888785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910546295.5A Pending CN110246029A (zh) | 2019-06-21 | 2019-06-21 | 贷后风险管理方法、终端、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246029A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766544A (zh) * | 2019-10-21 | 2020-02-07 | 北京明略软件系统有限公司 | 信用风险的检测方法及装置、存储介质、电子装置 |
| CN111080441A (zh) * | 2019-12-20 | 2020-04-28 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
| CN111105307A (zh) * | 2019-12-27 | 2020-05-05 | 中国工商银行股份有限公司 | 一种贷后管理方法、系统、设备及可读介质 |
| CN111199477A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种多级混联的风险管理方法、装置和电子设备 |
| CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
| CN111369341A (zh) * | 2020-03-05 | 2020-07-03 | 厦门正北科技有限公司 | 一种汽车金融贷前客户风险智能评分系统 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111415247A (zh) * | 2020-04-25 | 2020-07-14 | 中信银行股份有限公司 | 贷后信用风险评价方法、装置、存储介质及电子设备 |
| CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
| CN111861729A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 基于lstm的行为评分系统及方法 |
| CN111913994A (zh) * | 2020-08-12 | 2020-11-10 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
| CN112419008A (zh) * | 2020-12-09 | 2021-02-26 | 中国建设银行股份有限公司 | 一种自动分级预警方法、装置、电子设备和存储介质 |
| CN113129124A (zh) * | 2021-03-09 | 2021-07-16 | 中国农业银行股份有限公司福建省分行 | 一种用于猪养殖行业的信贷核查监测装置 |
| CN113298394A (zh) * | 2021-05-31 | 2021-08-24 | 浙江惠瀜网络科技有限公司 | 汽车金融贷后风险预警方法 |
| CN113362153A (zh) * | 2021-05-17 | 2021-09-07 | 厦门国际银行股份有限公司 | 一种银行授信的信用风险预警方法及装置 |
| CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
| CN113610627A (zh) * | 2021-07-27 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
| CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| CN113870001A (zh) * | 2021-08-26 | 2021-12-31 | 深圳微众信用科技股份有限公司 | 一种信贷任务的调度处理方法、装置、设备和介质 |
| CN115082225A (zh) * | 2022-07-21 | 2022-09-20 | 天津金城银行股份有限公司 | 一种企业融资风险的评估方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
| CN108230143A (zh) * | 2018-02-05 | 2018-06-29 | 深圳微众税银信息服务有限公司 | 一种贷后数据报告生成方法及系统 |
-
2019
- 2019-06-21 CN CN201910546295.5A patent/CN110246029A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
| CN108230143A (zh) * | 2018-02-05 | 2018-06-29 | 深圳微众税银信息服务有限公司 | 一种贷后数据报告生成方法及系统 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766544A (zh) * | 2019-10-21 | 2020-02-07 | 北京明略软件系统有限公司 | 信用风险的检测方法及装置、存储介质、电子装置 |
| CN111080441A (zh) * | 2019-12-20 | 2020-04-28 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
| CN111199477A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种多级混联的风险管理方法、装置和电子设备 |
| CN111080441B (zh) * | 2019-12-20 | 2023-04-18 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
| CN111105307A (zh) * | 2019-12-27 | 2020-05-05 | 中国工商银行股份有限公司 | 一种贷后管理方法、系统、设备及可读介质 |
| CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
| CN111369341A (zh) * | 2020-03-05 | 2020-07-03 | 厦门正北科技有限公司 | 一种汽车金融贷前客户风险智能评分系统 |
| CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111383101B (zh) * | 2020-03-25 | 2024-03-15 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111415247A (zh) * | 2020-04-25 | 2020-07-14 | 中信银行股份有限公司 | 贷后信用风险评价方法、装置、存储介质及电子设备 |
| CN111861729A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 基于lstm的行为评分系统及方法 |
| CN111913994A (zh) * | 2020-08-12 | 2020-11-10 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
| CN111913994B (zh) * | 2020-08-12 | 2023-09-15 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
| CN112419008A (zh) * | 2020-12-09 | 2021-02-26 | 中国建设银行股份有限公司 | 一种自动分级预警方法、装置、电子设备和存储介质 |
| CN113129124A (zh) * | 2021-03-09 | 2021-07-16 | 中国农业银行股份有限公司福建省分行 | 一种用于猪养殖行业的信贷核查监测装置 |
| CN113129124B (zh) * | 2021-03-09 | 2023-02-28 | 中国农业银行股份有限公司福建省分行 | 一种用于猪养殖行业的信贷核查监测装置 |
| CN113362153A (zh) * | 2021-05-17 | 2021-09-07 | 厦门国际银行股份有限公司 | 一种银行授信的信用风险预警方法及装置 |
| CN113298394A (zh) * | 2021-05-31 | 2021-08-24 | 浙江惠瀜网络科技有限公司 | 汽车金融贷后风险预警方法 |
| CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
| CN113610627A (zh) * | 2021-07-27 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
| CN113610627B (zh) * | 2021-07-27 | 2024-02-02 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
| CN113870001A (zh) * | 2021-08-26 | 2021-12-31 | 深圳微众信用科技股份有限公司 | 一种信贷任务的调度处理方法、装置、设备和介质 |
| CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| CN113807953B (zh) * | 2021-09-24 | 2023-11-03 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| CN115082225A (zh) * | 2022-07-21 | 2022-09-20 | 天津金城银行股份有限公司 | 一种企业融资风险的评估方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246029A (zh) | 贷后风险管理方法、终端、装置及可读存储介质 | |
| US20200090268A1 (en) | Method and apparatus for determining level of risk of user, and computer device | |
| CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
| CN107025596A (zh) | 一种风险评估方法和系统 | |
| CN110246031A (zh) | 企业信用的评估方法、系统、设备及存储介质 | |
| Gatti et al. | Measuring value‐at‐risk in project finance transactions | |
| WO2021032056A1 (zh) | 一种处理批量任务的方法、装置、计算设备及存储介质 | |
| CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
| Jiang et al. | Does the price of strategic commodities respond to US partisan conflict? | |
| CN111523997A (zh) | 客户风险评估方法和装置、以及电子设备和可读存储介质 | |
| Li et al. | Using economic links between firms to detect accounting fraud | |
| Cui et al. | Positive information shocks, investor behavior and stock price crash risk | |
| CN114463119A (zh) | 信用评估方法、装置及电子设备 | |
| Hasan et al. | Technological innovation and the bank lending channel of monetary policy transmission | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| Kosmidou et al. | Predicting US commercial bank failures via a multicriteria approach | |
| CN115631029A (zh) | 科创贷款的风险评估方法及装置 | |
| Shi et al. | An Agent‐Based Model of a Pricing Process with Power Law, Volatility Clustering, and Jumps | |
| CN110675240B (zh) | 风险雷达预警的监控方法及系统 | |
| CN111899112A (zh) | 一种不动产信托项目管理方法与装置 | |
| Li et al. | Government-to-government peer pressure and air pollution: Causal evidence from an environmental ranking policy in China | |
| KR102420952B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
| He et al. | Problem Modeling | |
| US20140297499A1 (en) | System for analyzing characteristics of stock information in conjunction with baseball terminology, and method for providing the characteristics | |
| CN118691413A (zh) | 基于评分卡模型的金融交易风险评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |
|
| RJ01 | Rejection of invention patent application after publication |